CN115392369A - 基于物联网的室内空气质量预测系统及其预测方法 - Google Patents
基于物联网的室内空气质量预测系统及其预测方法 Download PDFInfo
- Publication number
- CN115392369A CN115392369A CN202211017960.XA CN202211017960A CN115392369A CN 115392369 A CN115392369 A CN 115392369A CN 202211017960 A CN202211017960 A CN 202211017960A CN 115392369 A CN115392369 A CN 115392369A
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- measurement
- feature
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 346
- 238000005259 measurement Methods 0.000 claims abstract description 184
- 239000011159 matrix material Substances 0.000 claims abstract description 174
- 230000004913 activation Effects 0.000 claims abstract description 117
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003213 activating effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000003905 indoor air pollution Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Educational Administration (AREA)
Abstract
本申请涉及室内空气质量预测的领域,其具体地公开了一种基于物联网的室内空气质量预测系统及其预测方法。其通过基于上下文的编码器模型对室内PM传感器、室外PM传感器和温湿度传感器在各个时间点的测量值进行全局性的关联特征信息提取以得到测量特征向量,并考虑到PM2.5的测量值对温湿度比较敏感,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构以得到时序特征向量,进一步使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以关注到室外PM是室内空气质量的统计性规律,从而强化向量和矩阵之间的因果逻辑增益,以提高分类的准确性。这样,就可以对室内的空气质量是否符合标准进行准确地判断。
Description
技术领域
本发明涉及室内空气质量预测的领域,且更为具体地,涉及一种基于物联网的室内空气质量预测系统及其预测方法。
背景技术
室内空气污染中,PM2.5的危害较为严重,主要是指当量直径小于2.5μm 的颗粒,其能够长时间悬浮在空中,携带有毒物质,可以到达肺部,进入肺泡,其携带的有害物质甚至能够进入身体内循环。人在运动时需要消耗大量的氧气,呼吸次数更多,因此室内环境健康对于室内健身运动至关重要,特别是PM2.5对人的危害更加严重,主要会引起呼吸系统的疾病,但是室内空气质量变差,仅凭视觉和嗅觉难以发现,因此,实时监测健身房空气质量刻不容缓。然而相对于室外空气质量测量,室内空气质量测量有很大挑战。
但是,室内空气质量的好坏、成因非常复杂,不确定性因素众多,具有非线性特性。传统的数值模拟方法计算量大、复杂度高,不能考虑影响空气质量的所有因素,实时性有待提高。因此,为了对室内空气质量是否符合标准进行准确地预测,期待一种基于物联网的室内空气质量预测系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于物联网的室内空气质量预测系统及其预测方法,其通过基于上下文的编码器模型对室内PM传感器、室外PM传感器和温湿度传感器在各个时间点的测量值进行全局性的关联特征信息提取以得到测量特征向量,并考虑到 PM2.5的测量值对温湿度比较敏感,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构以得到时序特征向量,进一步使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以关注到室外PM是室内空气质量的统计性规律,从而强化向量和矩阵之间的因果逻辑增益,以提高分类的准确性。这样,就可以对室内的空气质量是否符合标准进行准确地判断。
根据本申请的一个方面,提供了一种基于物联网的室内空气质量预测系统,其包括:数据采集单元,用于获取预设时间段内各个时间点的室内PM 传感器、室外PM传感器和温湿度传感器的测量值;全局语义编码单元,用于将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;块结构提取单元,用于将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;时序编码单元,用于将所述各个时间点的室外 PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;逻辑激活加强单元,用于使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合单元,用于融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及预测单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
在上述基于物联网的室内空气质量预测系统中,所述全局语义编码单元,进一步用于:使用所述上下文编码器的嵌入层分别将所述各个时间点的室内 PM传感器、室外PM传感器和温湿度传感器的测量值转化为嵌入向量以获得嵌入向量的序列;以及,使用所述上下文编码器的转化器对所述嵌入向量的序列进行基于上下文语义的全局编码以获得所述多个特征向量。
在上述基于物联网的室内空气质量预测系统中,所述块结构提取单元,进一步用于:使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
在上述基于物联网的室内空气质量预测系统中,所述时序编码单元,包括:向量构造子单元,用于将所述各个时间点的室外PM传感器的测量值排列为一维的输入向量;全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;一维卷积编码子单元,用于使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在上述基于物联网的室内空气质量预测系统中,所述逻辑激活加强单元,进一步用于:使用所述时序特征向量以如下公式对所述测量特征矩阵进行逻辑激活以获得所述第一逻辑激活特征向量和所述第二逻辑激活特征向量;
其中,所述公式为:
在上述基于物联网的室内空气质量预测系统中,所述融合单元,进一步用于:计算所述第一逻辑激活特征向量和所述第二逻辑激活特征向量的按位置加权和以获得所述分类特征向量。
在上述基于物联网的室内空气质量预测系统中,所述预测单元,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果;其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
根据本申请的另一方面,一种基于物联网的室内空气质量预测系统的预测方法,其包括:获取预设时间段内各个时间点的室内PM传感器、室外PM 传感器和温湿度传感器的测量值;将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
在上述基于物联网的室内空气质量预测系统的预测方法中,将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量,包括:使用所述上下文编码器的嵌入层分别将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值转化为嵌入向量以获得嵌入向量的序列;以及,使用所述上下文编码器的转化器对所述嵌入向量的序列进行基于上下文语义的全局编码以获得所述多个特征向量。
在上述基于物联网的室内空气质量预测系统的预测方法中,将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,包括:使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
在上述基于物联网的室内空气质量预测系统的预测方法中,将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量,包括:将所述各个时间点的室外PM传感器的测量值排列为一维的输入向量;使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是输入向量, Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在上述基于物联网的室内空气质量预测系统的预测方法中,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,包括:使用所述时序特征向量以如下公式对所述测量特征矩阵进行逻辑激活以获得所述第一逻辑激活特征向量和所述第二逻辑激活特征向量;
其中,所述公式为:
在上述将所述分类特征向量通过分类器以获得分类结果,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果;其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的室内空气质量预测系统的预测方法。
与现有技术相比,本申请提供的基于物联网的室内空气质量预测系统及其预测方法,其通过基于上下文的编码器模型对室内PM传感器、室外PM 传感器和温湿度传感器在各个时间点的测量值进行全局性的关联特征信息提取以得到测量特征向量,并考虑到PM2.5的测量值对温湿度比较敏感,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构以得到时序特征向量,进一步使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以关注到室外PM是室内空气质量的统计性规律,从而强化向量和矩阵之间的因果逻辑增益,以提高分类的准确性。这样,就可以对室内的空气质量是否符合标准进行准确地判断。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网的室内空气质量预测系统的应用场景图。
图2为根据本申请实施例的基于物联网的室内空气质量预测系统的框图。
图3为根据本申请实施例的基于物联网的室内空气质量预测系统中时序编码单元的框图。
图4为根据本申请实施例的基于物联网的室内空气质量预测系统的预测方法的流程图。
图5为根据本申请实施例的基于物联网的室内空气质量预测系统的预测方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,室内空气质量的好坏、成因非常复杂,不确定性因素众多,具有非线性特性。传统的数值模拟方法计算量大、复杂度高,不能考虑影响空气质量的所有因素,实时性有待提高。因此,为了对室内空气质量是否符合标准进行准确地预测,期待一种基于物联网的室内空气质量预测系统。
而现如今,神经网络对于非线性问题具有很好的拟合性,比较适合对非线性问题进行求解。
并且考虑到未来的空气质量浓度受当前和之前时刻空气质量的影响,因此可以使用当前和之前的值作为神经网络的输入特征。PM2.5的测量值对温湿度比较敏感,因此在进行神经网络训练时输入数据应包含温湿度传感器采集的温湿度数据。由历史数据可知,室内空气质量和室外空气质量正相关,室内的PM2.5主要是由室外渗透进来的,因此特征中包含室外PM2.5测量值。
具体地,在本申请的技术方案中,首先获得每个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值,输入上下文编码器,并将获得特征向量级联以得到测量特征向量。
将测量特征向量按照时间进行二维排列,并输入卷积神经网络以获得测量特征矩阵。应可以理解,考虑到PM2.5的测量值对温湿度比较敏感,也就是说,输入数据中存在块结构,因此,使用相邻层的卷积核互为转置的卷积层来提取特征矩阵中的块结构。因此,这里卷积神经网络包含相邻层的卷积核互为转置的卷积层来提取特征矩阵中的块结构。
将各个时间点的室外PM传感器的测量值输入时序编码器以得到时序特征向量。
并且考虑到室外PM是室内空气质量具有统计性规律,因此,使用时序特征向量对测量特征矩阵进行逻辑激活,表示为:
将特征向量F1和F2融合以获得分类特征向量,然后输入分类器以获得空气质量是否符合标准的分类结果。
基于此,本申请提出了一种基于物联网的室内空气质量预测系统,其包括:数据采集单元,用于获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值;全局语义编码单元,用于将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;块结构提取单元,用于将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;时序编码单元,用于将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;逻辑激活加强单元,用于使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合单元,用于融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及,预测单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
图1图示了根据本申请实施例的基于物联网的室内空气质量预测系统的应用场景图。如图1所示,在该应用场景中,首先,通过部署于室内PM传感器(例如,如图1中所示意的E1)、室外PM传感器(例如,如图1中所示意的E2)和温湿度传感器(例如,如图1中所示意的T)分别获取预设时间段内各个时间点的测量值。然后,将获得的所述各个传感器在预设时间段内的各个时间点的测量值输入至部署有基于物联网的室内空气质量预测算法的服务器中(例如,如图1中所示意的服务器S),其中,所述服务器能够以基于物联网的室内空气质量预测算法对所述各个传感器在预设时间段内的各个时间点的测量值进行处理,以生成用于表示空气质量是否符合标准的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于物联网的室内空气质量预测系统的框图。如图2所示,根据本申请实施例的基于物联网的室内空气质量预测系统200,包括:数据采集单元210,用于获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值;全局语义编码单元220,用于将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;块结构提取单元230,用于将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;时序编码单元240,用于将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;逻辑激活加强单元250,用于使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合单元260,用于融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及,预测单元270,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
具体地,在本申请实施例中,所述数据采集单元210和所述全局语义编码单元220,用于获取预设时间段内各个时间点的室内PM传感器、室外PM 传感器和温湿度传感器的测量值,并将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量。如前所述,由于室内空气质量的好坏、成因非常复杂,不确定性因素众多,具有非线性特性。而传统的数值模拟方法计算量大、复杂度高,不能考虑影响空气质量的所有因素,实时性有待提高。因此,在考虑到神经网络对于非线性问题具有很好的拟合性后,在本申请的技术方案中,期望利用所述卷积神经网络对非线性问题进行求解。
也就是,在本申请的技术方案中,首先,通过部署于室内PM传感器、室外PM传感器和温湿度传感器分别获取预设时间段内各个时间点的测量值。应可以理解,考虑到未来的空气质量浓度受当前和之前时刻空气质量的影响,也就是,会受到预设时间段内各个时间点的影响,因此可以使用所述预设时间段内各个时间点的测量值作为神经网络的输入特征。并且还考虑到PM2.5 的测量值对温湿度比较敏感,因此在进行神经网络训练时输入数据应包含温湿度传感器采集的温湿度数据。同时室内空气质量和室外空气质量正相关,室内的PM2.5主要是由室外渗透进来的,因此特征中包含室外PM2.5测量值。
然后,将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器中进行编码处理,以获得具有全局性测量值关联特征信息的多个特征向量。这样就可以将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量。
更具体地,在本申请的实施例中,所述全局语义编码单元,包括:首先,使用所述上下文编码器的嵌入层分别将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值转化为嵌入向量,以便于后续对所述测量信息进行高维关联特征提取,从而获得嵌入向量的序列。然后,使用所述上下文编码器的转化器对所述嵌入向量的序列进行基于上下文语义的全局编码以获得所述多个特征向量。应可以理解,由于基于上下文的编码模型能够基于上下文对所述嵌入向量的序列进行编码处理,这样就会使得所获得的所述多个特征向量具有全局性测量值关联特征信息。
具体地,在本申请实施例中,所述块结构提取单元230,用于将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。应可以理解,由于考虑到PM2.5的测量值对温湿度比较敏感,也就是说,输入数据中存在块结构,因此,在本申请的技术方案中,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。也就是,在本申请的技术方案中,进一步将所述各个时间点的测量特征向量按照时间顺序进行二维排列为测量矩阵,以获得具有时间维度和数据维度的关联特征矩阵。然后,再将所述测量矩阵通过卷积神经网络中进行处理,以提取出所述测量矩阵中的各个位置的高维关联特征,从而获得测量特征矩阵,这里,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。
更具体地,在本申请的实施例中,所述块结构提取单元,包括:使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
具体地,在本申请实施例中,所述时序编码单元240和所述逻辑激活加强单元250,用于将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量,并使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果。应可以理解,由于所述室内空气质量和所述室外空气质量呈正相关,室内的PM2.5主要是由室外渗透进来的,因此特征中包含室外PM2.5测量值,并且考虑到室外的PM使室内空气质量具有统计性规律,因此,在本申请的技术方案中,期望通过以具有因果逻辑关系的向量和矩阵进行逻辑激活。
也就是,具体地,在本申请的技术方案中,进一步将所述各个时间点的室外PM传感器的测量值通过包含一维卷积层和全连接层的时序编码器中进行编码处理,以提取出所述输入向量中各个位置的特征值的高维隐含关联特征,从而获得时序特征向量。然后,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量。应可以理解,值得一提的是,这样,通过以具有因果逻辑关系的所述时序特征向量和所述测量特征矩阵进行逻辑激活,可以强化所述时序特征向量和所述测量特征矩阵之间的因果逻辑增益,从而提高分类的准确性。
更具体地,在本申请的实施例中,所述时序编码单元,包括:向量构造子单元,用于将所述各个时间点的室外PM传感器的测量值排列为一维的输入向量;全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;一维卷积编码子单元,用于使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
更具体地,在本申请的实施例中,所述逻辑激活加强单元,进一步用于:使用所述时序特征向量以如下公式对所述测量特征矩阵进行逻辑激活以获得所述第一逻辑激活特征向量和所述第二逻辑激活特征向量;
其中,所述公式为:
图3图示了根据本申请实施例的基于物联网的室内空气质量预测系统中时序编码单元的框图。如图3所示,所述时序编码单元240,包括:向量构造子单元241,用于将所述各个时间点的室外PM传感器的测量值排列为一维的输入向量;全连接编码子单元242,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;一维卷积编码子单元243,用于使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
具体地,在本申请实施例中,所述融合单元260和所述预测单元270,用于融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量,并将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。也就是,在本申请的技术方案中,在得到所述第一逻辑激活特征向量F1和所述第二逻辑激活特征向量F2后,进一步融合F1和F2以获得用于分类的分类特征向量。相应地,在一个具体示例中,计算所述第一逻辑激活特征向量和所述第二逻辑激活特征向量的按位置加权和以获得所述分类特征向量。然后,将所述分类特征向量通过分类器以获得用于表示空气质量是否符合标准的分类结果。
更具体地,在本申请实施例中,所述预测单元,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果;其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)}X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
综上,基于本申请实施例的所述基于物联网的室内空气质量预测系统 200被阐明,其通过基于上下文的编码器模型对室内PM传感器、室外PM 传感器和温湿度传感器在各个时间点的测量值进行全局性的关联特征信息提取以得到测量特征向量,并考虑到PM2.5的测量值对温湿度比较敏感,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构以得到时序特征向量,进一步使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以关注到室外PM是室内空气质量的统计性规律,从而强化向量和矩阵之间的因果逻辑增益,以提高分类的准确性。这样,就可以对室内的空气质量是否符合标准进行准确地判断。
如上所述,根据本申请实施例的基于物联网的室内空气质量预测系统 200可以实现在各种终端设备中,例如基于物联网的室内空气质量预测算法的服务器等。在一个示例中,根据本申请实施例的基于物联网的室内空气质量预测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于物联网的室内空气质量预测系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于物联网的室内空气质量预测系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于物联网的室内空气质量预测系统200 与该终端设备也可以是分立的设备,并且该基于物联网的室内空气质量预测系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了基于物联网的室内空气质量预测系统的预测方法的流程图。如图4所示,根据本申请实施例的基于物联网的室内空气质量预测系统的预测方法,包括步骤:S110,获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值;S120,将所述各个时间点的室内 PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;S130,将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;S140,将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;S150,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;S160,融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及,S170,将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
图5图示了根据本申请实施例的基于物联网的室内空气质量预测系统的预测方法的架构示意图。如图5所示,在所述基于物联网的室内空气质量预测系统的预测方法的网络架构中,首先,将获得的所述各个时间点的室内 PM传感器、室外PM传感器和温湿度传感器的测量值(例如,如图5中所示意的P1)通过包含嵌入层的上下文编码器(例如,如图5中所示意的E1) 以获得多个特征向量(例如,如图5中所示意的VF1),并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量(例如,如图5 中所示意的VF2);接着,将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵(例如,如图5中所示意的M1),并将所述测量矩阵通过卷积神经网络(例如,如图5中所示意的CNN)以获得测量特征矩阵(例如,如图5中所示意的MF1);然后,将所述各个时间点的室外PM传感器的测量值(例如,如图5中所示意的P2)输入包含一维卷积层和全连接层的时序编码器(例如,如图5中所示意的E2)以得到时序特征向量(例如,如图5中所示意的VF3);接着,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量(例如,如图5 中所示意的V1)和第二逻辑激活特征向量(例如,如图5中所示意的V2);然后,融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量(例如,如图5中所示意的VC);以及,最后,将所述分类特征向量通过分类器(例如,如图5中所示意的圈S)以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
更具体地,在步骤S110和S120中,获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值,并将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量。应可以理解,由于室内空气质量的好坏、成因非常复杂,不确定性因素众多,具有非线性特性。而传统的数值模拟方法计算量大、复杂度高,不能考虑影响空气质量的所有因素,实时性有待提高。因此,在考虑到神经网络对于非线性问题具有很好的拟合性后,在本申请的技术方案中,期望利用所述卷积神经网络对非线性问题进行求解。
也就是,在本申请的技术方案中,首先,通过部署于室内PM传感器、室外PM传感器和温湿度传感器分别获取预设时间段内各个时间点的测量值。应可以理解,考虑到未来的空气质量浓度受当前和之前时刻空气质量的影响,也就是,会受到预设时间段内各个时间点的影响,因此可以使用所述预设时间段内各个时间点的测量值作为神经网络的输入特征。并且还考虑到PM2.5 的测量值对温湿度比较敏感,因此在进行神经网络训练时输入数据应包含温湿度传感器采集的温湿度数据。同时室内空气质量和室外空气质量正相关,室内的PM2.5主要是由室外渗透进来的,因此特征中包含室外PM2.5测量值。
然后,将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器中进行编码处理,以获得具有全局性测量值关联特征信息的多个特征向量。这样就可以将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量。
更具体地,在步骤S130中,将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。应可以理解,由于考虑到 PM2.5的测量值对温湿度比较敏感,也就是说,输入数据中存在块结构,因此,在本申请的技术方案中,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。也就是,在本申请的技术方案中,进一步将所述各个时间点的测量特征向量按照时间顺序进行二维排列为测量矩阵,以获得具有时间维度和数据维度的关联特征矩阵。然后,再将所述测量矩阵通过卷积神经网络中进行处理,以提取出所述测量矩阵中的各个位置的高维关联特征,从而获得测量特征矩阵,这里,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构。相应地,在一个具体示例中,使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
更具体地,在步骤S140和步骤S150中,将所述各个时间点的室外PM 传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量,并使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果。应可以理解,由于所述室内空气质量和所述室外空气质量呈正相关,室内的PM2.5主要是由室外渗透进来的,因此特征中包含室外PM2.5测量值,并且考虑到室外的 PM使室内空气质量具有统计性规律,因此,在本申请的技术方案中,期望通过以具有因果逻辑关系的向量和矩阵进行逻辑激活。
也就是,具体地,在本申请的技术方案中,进一步将所述各个时间点的室外PM传感器的测量值通过包含一维卷积层和全连接层的时序编码器中进行编码处理,以提取出所述输入向量中各个位置的特征值的高维隐含关联特征,从而获得时序特征向量。然后,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量。应可以理解,值得一提的是,这样,通过以具有因果逻辑关系的所述时序特征向量和所述测量特征矩阵进行逻辑激活,可以强化所述时序特征向量和所述测量特征矩阵之间的因果逻辑增益,从而提高分类的准确性。
具体地,在本申请的实施例中,使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量的过程,包括:使用所述时序特征向量以如下公式对所述测量特征矩阵进行逻辑激活以获得所述第一逻辑激活特征向量和所述第二逻辑激活特征向量;
其中,所述公式为:
更具体地,在步骤S160和步骤S170中,融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量,并将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。也就是,在本申请的技术方案中,在得到所述第一逻辑激活特征向量F1和所述第二逻辑激活特征向量F2后,进一步融合F1和F2以获得用于分类的分类特征向量。相应地,在一个具体示例中,计算所述第一逻辑激活特征向量和所述第二逻辑激活特征向量的按位置加权和以获得所述分类特征向量。然后,将所述分类特征向量通过分类器以获得用于表示空气质量是否符合标准的分类结果。
综上,基于本申请实施例的所述基于物联网的室内空气质量预测系统的预测方法被阐明,其通过基于上下文的编码器模型对室内PM传感器、室外 PM传感器和温湿度传感器在各个时间点的测量值进行全局性的关联特征信息提取以得到测量特征向量,并考虑到PM2.5的测量值对温湿度比较敏感,使用相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构以得到时序特征向量,进一步使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以关注到室外PM是室内空气质量的统计性规律,从而强化向量和矩阵之间的因果逻辑增益,以提高分类的准确性。这样,就可以对室内的空气质量是否符合标准进行准确地判断。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的室内空气质量预测系统的预测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于物联网的室内空气质量预测系统的预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于物联网的室内空气质量预测系统,其特征在于,包括:数据采集单元,用于获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值;全局语义编码单元,用于将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;块结构提取单元,用于将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;时序编码单元,用于将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;逻辑激活加强单元,用于使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合单元,用于融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及预测单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
2.根据权利要求1所述的基于物联网的室内空气质量预测系统,其中,所述全局语义编码单元,进一步用于使用所述上下文编码器的嵌入层分别将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值转化为嵌入向量以获得嵌入向量的序列;以及,使用所述上下文编码器的转化器对所述嵌入向量的序列进行基于上下文语义的全局编码以获得所述多个特征向量。
3.根据权利要求2所述的基于物联网的室内空气质量预测系统,其中,所述块结构提取单元,进一步用于使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
4.根据权利要求3所述的基于物联网的室内空气质量预测系统,其中,所述时序编码单元,包括:向量构造子单元,用于将所述各个时间点的室外PM传感器的测量值排列为一维的输入向量;全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;一维卷积编码子单元,用于使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
6.根据权利要求5所述的基于物联网的室内空气质量预测系统,其中,所述融合单元,进一步用于计算所述第一逻辑激活特征向量和所述第二逻辑激活特征向量的按位置加权和以获得所述分类特征向量。
7.根据权利要求6所述的基于物联网的室内空气质量预测系统,其中,所述预测单元,进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果;其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
8.一种基于物联网的室内空气质量预测系统的预测方法,其特征在于,包括:获取预设时间段内各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值;将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量;将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,其中,所述卷积神经网络使用包含相邻层的卷积核互为转置的卷积层来提取所述测量矩阵中的块结构;将所述各个时间点的室外PM传感器的测量值输入包含一维卷积层和全连接层的时序编码器以得到时序特征向量;使用所述时序特征向量对所述测量特征矩阵进行逻辑激活以获得第一逻辑激活特征向量和第二逻辑激活特征向量,其中,所述第二逻辑激活特征向量为所述测量特征矩阵与所述时序特征向量进行矩阵相乘的结果,所述第一逻辑激活特征向量为单位向量减去所述测量特征矩阵与单位向量减去所述时序特征向量的差分向量进行矩阵相乘的结果;融合所述第一逻辑激活特征向量和所述第二逻辑激活特征向量以获得分类特征向量;以及将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示空气质量是否符合标准。
9.根据权利要求8所述的基于物联网的室内空气质量预测系统的预测方法,其中,将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个特征向量进行级联以获得对应于所述各个时间点的测量特征向量,包括:使用所述上下文编码器的嵌入层分别将所述各个时间点的室内PM传感器、室外PM传感器和温湿度传感器的测量值转化为嵌入向量以获得嵌入向量的序列;以及,使用所述上下文编码器的转化器对所述嵌入向量的序列进行基于上下文语义的全局编码以获得所述多个特征向量。
10.根据权利要求8所述的基于物联网的室内空气质量预测系统的预测方法,其中,将所述各个时间点的测量特征向量按照时间顺序进行二维排列以获得测量矩阵,并将所述测量矩阵通过卷积神经网络以获得测量特征矩阵,包括:使用所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述测量特征矩阵,其中,所述卷积神经网络中至少部分连续层中的用于进行卷积处理的卷积层使用互为转置的卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017960.XA CN115392369A (zh) | 2022-08-24 | 2022-08-24 | 基于物联网的室内空气质量预测系统及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017960.XA CN115392369A (zh) | 2022-08-24 | 2022-08-24 | 基于物联网的室内空气质量预测系统及其预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392369A true CN115392369A (zh) | 2022-11-25 |
Family
ID=84121089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017960.XA Withdrawn CN115392369A (zh) | 2022-08-24 | 2022-08-24 | 基于物联网的室内空气质量预测系统及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392369A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
CN116935586A (zh) * | 2023-03-29 | 2023-10-24 | 福建天甫电子材料有限公司 | 用于硝酸的制备的智能化有毒有害气体报警系统 |
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117554574A (zh) * | 2023-11-27 | 2024-02-13 | 武汉宇境科技有限公司 | 基于物联网的微型空气质量自动监测仪 |
-
2022
- 2022-08-24 CN CN202211017960.XA patent/CN115392369A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935586A (zh) * | 2023-03-29 | 2023-10-24 | 福建天甫电子材料有限公司 | 用于硝酸的制备的智能化有毒有害气体报警系统 |
CN116935586B (zh) * | 2023-03-29 | 2024-06-04 | 福建天甫电子材料有限公司 | 用于硝酸的制备的智能化有毒有害气体报警系统 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
CN116454772B (zh) * | 2023-06-14 | 2023-08-25 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117166873B (zh) * | 2023-08-28 | 2024-03-22 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117554574A (zh) * | 2023-11-27 | 2024-02-13 | 武汉宇境科技有限公司 | 基于物联网的微型空气质量自动监测仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115392369A (zh) | 基于物联网的室内空气质量预测系统及其预测方法 | |
CN110413785B (zh) | 一种基于bert和特征融合的文本自动分类方法 | |
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN112183747A (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
CN114724386B (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
CN111797589A (zh) | 一种文本处理网络、神经网络训练的方法以及相关设备 | |
CN115144312A (zh) | 基于物联网的室内空气细颗粒测量方法及其系统 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN111444399B (zh) | 回复内容的生成方法、装置、设备及可读存储介质 | |
CN111651573B (zh) | 一种智能客服对话回复生成方法、装置和电子设备 | |
CN116702156B (zh) | 信息安全风险评价系统及其方法 | |
WO2023155546A1 (zh) | 结构数据的生成方法、装置、设备、介质及程序产品 | |
CN114610488A (zh) | 基于负载均衡的数据采集方法、系统和电子设备 | |
CN112488301A (zh) | 一种基于多任务学习和注意力机制的食品反演方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN115827257A (zh) | 用于处理器体系的cpu容量预测方法及其系统 | |
CN111767697A (zh) | 文本处理方法、装置、计算机设备以及存储介质 | |
CN114821169A (zh) | 微服务架构下的方法级无侵入调用链路追踪方法 | |
CN114884772A (zh) | 裸机vxlan的部署方法、系统和电子设备 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN112733751A (zh) | 用于余热回收的智能进水控制方法 | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN115661758A (zh) | 基于人工智能的公共场所人群密集度监测方法及其系统 | |
CN113747168A (zh) | 多媒体数据描述模型的训练方法和描述信息的生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221125 |
|
WW01 | Invention patent application withdrawn after publication |